没有合适的资源?快使用搜索试试~ 我知道了~
此次ppt是在公司实习讲的一篇目标检测yolo系列最新的yolov7
需积分: 48 14 下载量 59 浏览量
2022-09-28
10:03:47
上传
评论 1
收藏 4.24MB PPTX 举报
温馨提示
试读
32页
此次ppt是在公司实习讲的一篇目标检测yolo系列最新的yolov7
资源推荐
资源详情
资源评论
YOLOv7: Trainable bag-of-freebies sets new
state-of-the-art for real-time object
detectors
论文链接:https://arxiv.org/abs/2207.02696
代码链接:https://github.com/WongKinYiu/yolov7
一作是 Chien-Yao Wang 代表作:YOLOv7、YOLOR、ScaledYOLOv4、CSPNet等。二作是 Alexey
Bochkovskiy,代表作:YOLOv4 台湾的中国科学院信息科学研究所
第一章 介绍
【 目 录 】
CONTENTS
第四章 实验
第三章 训练技巧
第二章 网络架构
第五章 总结
第一章 研究的目的和意义
第一部分
介绍
介绍
Abstract:
YOLOv7 surpasses all known object detectors in both speed and
accuracy in the range from 5 FPS to 160 FPS and has the highest
accuracy 56.8% AP among all known real-time object detectors with
30 FPS or higher on GPUV100. YOLOv7-E6 object detector (56
FPS V100, 55.9%AP) outperforms both transformer-based detector
SWIN-L Cascade-Mask R-CNN (9.2 FPS A100, 53.9% AP) by
509% in speed and 2% in accuracy, and convolutional-based
detector ConvNeXt-XL Cascade-Mask R-CNN (8.6FPS A100,
55.2% AP) by 551% in speed and 0.7% AP in accuracy, as well as
YOLOv7 outperforms: YOLOR,YOLOX, Scaled-YOLOv4,
YOLOv5, DETR, Deformable DETR, DINO-5scale-R50, ViT-
Adapter-B and many other object detectors in speed and accuracy.
Moreover , we train YOLOv7 only on MS COCO dataset from
scratch withoutusing any other datasets or pre-trained weights.
介绍
本文的主要贡献如下:
(1)设计了几种bag-of-freebies,使得实时目标检测可以在不增加推理成本的情况下大大提高检测精度;
(2) 针对目标检测的发展,作者发现了两个问题(不过好在作者也提出了解决办法):①模型重参数如何高
效替代原始模型;②针对不同的输出层,标签动态分配应该怎样分配;
(3)作者针对目标检测可以更有效的利用参数和计算问题,提出了"扩展"(extend)和“复合缩放”(compound
scaling);
(4)提出的方法可以有效的减少40%参数量和50%的计算量,高精度高速度。
剩余31页未读,继续阅读
资源评论
努力毕业的菜鸡
- 粉丝: 1
- 资源: 1
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功